[发明专利]一种基于卷积神经网络的车辆实时超载检测方法

说明书

本发明公开了一种基于卷积神经网络的车辆实时超载检测方法，通过采用卷积神经网络方法，利用YOLO‑V3检测算法对道路行驶车辆进行实时检测，通过检测车轮个数得出轴数，并检测出相对轴距，然后与车辆载重国标比对即可得出该车辆最大荷重，最后通过比对车辆下方压电传感器得出的实际载重即可实现实时车辆超载检测。本发明检测实时性较好，能解决道路不停车超载检测的问题，避免可能会发生的交通堵塞以及道路交通事故。使用了通道剪枝技术，在不影响检测精度的情况下精简了网络结构，使得本检测方法对硬件要求较低，降低了设备成本，更加符合应用场景。

技术领域

本发明涉及目标检测技术，特别涉及一种基于卷积神经网络的货车不停车超载检测方法。

背景技术

公路运输中货车超载不仅会影响道路桥梁安全，还会威胁社会公众生命安全，同时超载车辆因其荷载高于国家规定的公路桥梁承受荷载，会加快公路桥梁损耗，产生大量维修资金耗费，还常常致使交通事故。超载车辆的荷载一般远超公路和桥梁的设计承受荷载，其频繁行驶公路，造成路面损坏、桥梁断裂，大幅缩短公路正常使用年限。

针对预防车辆超载的问题，我国目前主要还是采取粘贴限重标识以及安排执法人员人工巡逻检查。执法人员通过观察来往车辆，将疑似超载的货车引导到检测点进行实际测量。这种人工检测方法存在以下缺点：(1)人工无法24小时工作；(2)靠执法人员主观判断，无法保证准确率。(3)效率低下，停车检测耗时较长，容易引发交通堵塞。

针对以上人共超载检测存在的缺点，本发明通过研究基于卷积神经网络的目标检测算法，利用YOLO-V3搭建货车超载检测网络，实现了车辆不停车自动实时超载检测。

发明内容

本发明的目的在于，通过采用卷积神经网络方法，利用YOLO-V3检测算法对道路行驶车辆进行实时检测，通过检测车轮个数得出轴数，并检测出相对轴距，然后与车辆载重国标比对即可得出该车辆最大荷重，最后通过比对车辆下方压电传感器得出的实际载重即可实现实时车辆超载检测。检测算法流程图见附图1

本发明是采用以下技术手段实现的：

一种基于卷积神经网络的车辆实时超载检测方法，基于YOLO-V3搭建检测车辆轮胎的目标检测网络，同时利用人工神经网络剪枝算法，基于L1正则化将YOLO网络稀疏化，然后对卷积神经网络进行通道剪枝，在精度损失很小的前提下，大幅压缩网络。

包含以下步骤：

步骤1，VOC数据集制作。

实地采集多种轴数车辆的图像，并利用labeling工具对采集的多种轴数车辆的图像进行标签(包括车辆轴数比如六轴—6-axle、单侧车轮—wheel)，然后制作成VOC数据集。

VOC数据集包括四个部分，其中文件夹Annotations存放以xml为后缀名的所有图片的标签文件，文件夹JPEGImages存放所有的数据集图片，文件夹ImageSets存放以txt为后缀名的划分数据集之后产生的文件，文件夹labels存放由标签文件转换得到的以txt为后缀名的文件。

步骤2，配置YOLO-V3目标检测网络模型训练环境。

在ubuntu系统中，利用darknet深度学习框架，搭建YOLO-V3目标检测网络模型，并在darknet深度学习框架上完成YOLO-V3目标检测网络模型的训练。YOLO-V3目标检测网络模型的训练与测试在计算机上进行。

步骤3，对YOLO-V3目标检测网络模型进行训练。

利用YOLO-V3目标检测算法进行模型训练，同时利用剪枝算法精简网络模型，从而降低实际应用场景中对计算机的性能要求。